Як конкурувати в добу аналітики

2011-го було опубліковано звіт McKinsey Global Institute (MGI) «Big data: The next frontier for innovation, competition, and productivity» («"Великі дані": новий рубіж інновації, конкуренції та продуктивності»). З того часу в цій сфері відбулося багато змін. Як же впливають «великі дані» на розвиток різних галузей та як трансформуватиметься ринок праці? Ці питання було обговорено в бесіді, яку провів редактор McKinsey Publishing Саймон Лондон (Simon London), з Ніколаусом Хенке (Nicolaus Henke), старшим партнером лондонського офісу McKinsey, та Майклом Чуї (Michael Chui), партнером MGI.

Ніколаус Хенке (Nicolaus Henke)

Що нового відбувається в аналітиці? Скептики можуть сказати: «Про що ми взагалі говоримо, адже компанії завжди аналізували дані».

Ніколаус Хенке: На нашу думку, радикально змінилися три речі. По-перше, тепер ми маємо непомірно більше даних. Біля 90% даних, які сьогодні є у світі, не було в наявності ще два роки тому. Аж 90%! По-друге, завдяки хмарним технологіям та з’єднувальності, ми маємо обчислювальні можливості небувало низької вартості і, відповідно, отримуємо змогу обробляти на порядки більше даних. І, нарешті, технології машинного навчання дозволяють робити сотні мільйонів розрахунків у день, що, безсумнівно, суттєво поглиблює рівень деталізації того, що ми робимо.

Майкл Чуї: Зараз керівники набагато краще усвідомлюють, що дані й аналітика трансформують основи конкуренції. Все більшою мірою вони цілком інакше підходять до прийняття рішень, наприклад, проводять експерименти, а не просто формують судження, ґрунтуючись на попередньому досвіді.

У матеріалах дослідження 2011-го року наголошується величезний трансформаційний потенціал нової хвилі даних та аналітики. Якою мірою він реалізувався за роки, що минули з часу публікації звіту?

Майкл Чуї: Результати дуже неоднорідні. В деяких індустріях, наприклад, у сфері сервісів, зорієнтованих на місцеперебування користувача, та меншою мірою в ритейлі, відбулися дуже помітні для споживачів зміни. На цих ринках тон задають цифрові стартапи, з якими доводиться конкурувати традиційним гравцям. Але є кілька галузей (це, зокрема, державний сектор, охорона здоров’я та виробнича діяльність), де, хоча й досягнуто певного прогресу, ще дуже далеко до повної реалізації потенціалу, який несе в собі аналітика «великих даних». Власне, за результатами нашого аналізу, можливості новітніх аналітичних інструментів використовуються в цих сферах менш ніж 30%. Але щоб повноцінно задіяти їхній потенціал, потрібно подолати кілька перепон.

Які це перепони?

Ніколаус Хенке: Головна перепона — це організаційна. Щоб насправді отримати цінність від даних, ви мусите одночасно робити п’ять речей. Перша з них — це збір даних. Далі йде математичне моделювання. Але з допомогою лише цього ви не генеруєте жодної цінності. Потрібно дуже чітко усвідомлювати — які сценарії ви хочете урухомити. Якщо ж ви поглинете в аналітику та моделювання, не сфокусувавшись на бізнес-цінності, то неодмінно зазнаєте невдачі.

Скажімо, ви все це зробили та визначили 30 топ-сценаріїв, які можуть стосуватись управління надходженнями, виводу наступного продукту на ринок і т.д. Тепер це потрібно інкорпорувати до ваших процесів, бо інакше нічого не зміниться. Адже у великих компаніях працюють сотні тисяч працівників.

І, нарешті, ви мусите мати інфраструктуру — організаційну систему, котра дала б змогу використовувати всі ці результати, щоб зрозуміти, як можна інакше підходити до прийняття рішень. З іншого боку, така система вам потрібна вже на самому початку, аби аналізувати дані та робити все те, про що йшлося вище.

Майкл Чуї (Michael Chui)

Ніколаус Хенке: Нещодавно ми обговорювали з 200 провідними датологами (data scientists) світу питання взаємодії з керівниками. Всі вони були дуже розчаровані тим, як це відбувається, бо вважають, що ані гендиректор, ані інші топ-менеджери насправді не зовсім розуміють змісту їхньої діяльності. А на думку управлінців, датологи займаються чимось абстрактним, далеким від реальних проблем бізнесу. Тобто потрібні «перекладачі» чи спеціалісти, які б допомогли подолати комунікаційну прірву між фахівцями у сфері даних та іншими представниками організації. Зараз в McKinsey ми готуємо 3 тис. наших колег до виконання цієї ролі. Вони повинні глибоко знати як бізнес-проблеми в цілому, так і розуміти їх у розрізі датології, — інтегрувати все це та викласти зрозумілою для неспеціалістів мовою.

Майкл Чуї: Дивлячись вперед, можна сказати, що попит на датологів однозначно зростатиме. Але й також зростатиме потреба у фахівцях, котрі достатньо розбиратимуться в царині «великих даних», аби бути в змозі допомогти «переварювати» таку інформацію решті організації.

Чи не могли б ви навести приклад інкорпорування «великих даних» до стратегії компанії?

Ніколаус Хенке: Один банк у ході дворічного проекту створив «озеро даних», яке охоплює всю структуру. (Це один із небагатьох банків світу, котрі це мають). Потім вони сформували групу зі 150 людей, які зайнялись ідентифікацією «золотих» (або найважливіших для компанії) джерел даних. Далі ця команда спільно з іншими підрозділами почала працювати над покращенням якості даних із кожного джерела. Наприклад, в одній із країн клієнтська інформація була дуже низької якості; в першу чергу через плутанину із написанням імен та прізвищ клієнтів. На банківському рахунку могло фігурувати одне ім’я, а на кредитній карті інше. Банк мав три-чотири наборів даних по кожному клієнту. Отже, аби впевнитись, що всі дані відкореговано, спрощено та оцифровано, члени цієї групи по черзі йшли до тих, хто відкривав рахунки, хто продавав кредитні карти тощо. І через певний час банк кардинально покращив якість своїх даних.

На нашу думку, найкраще розпочати з одного сховища інтегрованих даних. Хай навіть це буде щось дуже недосконале, але ви все одно побачите, що з того зможете отримати; а потім казатимете: «Добре, якщо ми отримаємо додаткові дані на цій ділянці або якщо "підчистимо" дані на іншій — то зможемо генерувати цінність цілком іншого рівня». Напевно, лідери йдуть шляхом ітерації, а не розробляють якусь генеральну стратегію роботи з даними. Вони мусять мати картину того, чого прагнуть досягти, а потім матеріалізувати її, проходячи цикл за циклом.

А як дані можуть спричинити «підриви» на ринках?

Майкл Чуї: І організації, і галузі використовують дані протягом багатьох-багатьох років. Але щоб стався «підрив», потрібні цілком нові джерела даних, які, наприклад, можуть «освоїти» молоді гравці. Візьмемо хоча б телепатичні дані, котрі швидше можна назвати поведінковими даними, бо вони характеризують організації, людей чи обладнання. Наприклад, у страховому бізнесі цей тип даних може не тільки дати змогу набагато точніше оцінити ризик та правильніше визначити ціну, але й допомогти клієнтам краще управляти своїми ризиками. Уявіть, що ви регулярно отримуєте від свого автострахувальника дані, які говорять, що сьогодні ви не перевищували швидкості, нічого не порушували тощо. Така комунікація може потенційно змінити не лише логіку страхового продукту, але й сам спосіб взаємодії компанії з клієнтами, що потягне за собою трансформацію засад конкуренції в галузі. І це станеться завдяки новому джерелу даних.

Які переваги можуть дати компаніям технології машинного навчання?

Ніколаус Хенке: Якщо в традиційних розрахунках ви висуваєте гіпотезу, знаходите дані, а потім виявляєте кореляцію між ними, то тепер це може робити за вас машина. Відповідно, ви отримуєте сотні мільйонів розрахунків в день — а це можливість не лише протестувати певну гіпотезу, але й цілком інакше проінтерпретувати виявлені закономірності.

Майкл Чуї: Розпочинаючи свої дослідження, ми очікували побачити втілення закону Парето, а саме те, що 80% цінності компанії отримуватимуть, розв’язуючи з допомогою машинного навчання 20% своїх проблем. Але, виявилось, що все навпаки: потенціал використання цієї технології набагато ширший.

Один керівник сказав нам, що найкраще, що можна почути на теренах промислового інтернету — це «кількість незапланованих простоїв дорівнює нулю». Тобто йдеться про прогнозування неполадок до того, як щось ламається. Отримуючи безперервні потоки даних та застосовуючи технологію машинного навчання, ви можете набути вміння заздалегідь розпізнавати, коли машина вийде з ладу.

Ніколаус Хенке: До нас звернулась роздрібна компанія, яка працює в одному дуже великому місті, з проханням знайти нові можливості для зростання. Вони вже мали тисячу магазинів, а тому вважали, що потенціал росту вичерпано. Але з допомогою програм штучного інтелекту та машинного навчання ми побачили, що торгові точки, розташовані біля пралень-автоматів, є вкрай привабливими для певного сегменту споживачів. У підсумку ми знайшли 850 місць, де ця компанія навіть би й не подумала розміщувати свої магазини. Зараз вони вийшли на новий етап зростання.

Є й чимало прикладів успішного використання машинного навчання поза межами бізнесу. Так, деякі тюрми стали безпечнішими, бо в них стало менше випадків насилля, а лікарні можуть точніше виявляти пацієнтів груп підвищеного ризику.

Одним із найочевидніших мінусів автоматизації є те, що багато видів діяльності просто зникнуть. Яким Ви бачите майбутнє ринку праці?

Майкл Чуї: По-перше, ми зауважили, що у міру того, як розширюється поле застосування технологій машинного навчання, з’являється все більше робіт, пов’язаних з автоматизацією економіки, за які люди отримують гроші.

І ще дві речі. Пройде певний час поки людину буде витіснено з певних сфер діяльності. Тобто в нас є часовий запас для того, щоб адаптуватись. Також не виглядає так, що ми маємо надлишок робочої сили. Навпаки, аби досягти потрібних темпів економічного зростання (як в промислово-розвинутих країнах, так і на ринках, що розвиваються), ми мусимо повною мірою використати потенціал машинного навчання та задіяти всіх, хто лише може працювати. А у міру того, як людська праця заміщуватиметься технологією, потрібно буде знаходити заняття для індивідів, що вивільнятимуться, бо інакше не вдасться підтримувати економічний ріст на прийнятному рівні.

Ніколаус Хенке: Сутність машинного навчання полягає у виявленні закономірностей у даних. Але щоб вчиняти на підставі цього дії, слід виходити з припущення, що протягом певного періоду часу закономірності, на які ви спиратиметеся, залишатимуться незмінними. Тому ця технологія мало підходить до вирішення проблем, які стосуються типів діяльності з високим складником невизначеності (наприклад, інвестування). Там і надалі головну роль відіграватиме людське судження.

За матеріалами "How to win in the age of analytics", McKinsey & Company.